An Analysis of Testing Scenarios for Automated Driving Systems
Notice bibliographique
Résumé
Automated Driving System refers to a vehicle system where hardware and software are collectively capable of on-road operational and tactical functions and such functions involve the detection, recognition, classification of objects and response to events. Many automotive companies are incorporating automated driving into their current R&D and are transforming their business models. To both conventional and disruptive manufacturers, safety is always one of the top priorities. Appropriate verification and validation procedures are needed and should be followed to mitigate unreliability and hazardousness. Sufficient testing scenario should be considered and planned to simulate and cover functional and non-functional requirements. Disengagement ratio serves as an indicator during performance evaluations because analysing root causes of both technical and non-technical disengagements is pivotal especially during testing strategy planning. Autonomous Vehicle Disengagement Reports and Autonomous Vehicle Collision Reports from the Department of Motor Vehicles (DMV), California, USA are collectively used for the purpose of this research. And the analytical result shows there is no clear relationship between mileage and disengagements. Influencing factors are generated and consolidated from the mentioned reports and are proposed in addition to a Society of Automotive Engineers International (SAE International) standard. Stakeholders will benefit from the presented rationales and consider the suggestive parameters throughout their developing and testing activities. This paper further recommends testing management for automated driving systems, especially test driver management and test routes planning. And the recommendations are in accordance with the analytical results and feedback from KPMG s Global Automotive Executive Surveys.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».